基于深度学习的近红外脑功能成像解码模型血流动力学响应与脑力负荷评估相关参数及设计要求.docVIP

基于深度学习的近红外脑功能成像解码模型血流动力学响应与脑力负荷评估相关参数及设计要求

近红外脑功能成像（functionalNear-InfraredSpectroscopy,fNIRS）作为一种无创脑功能监测技术，通过检测大脑皮层中血红蛋白浓度变化来反映神经活动，在认知神经科学、人机交互、临床诊断等领域展现出广阔应用前景。深度学习技术的引入，为fNIRS信号的解码分析提供了强大的数据处理能力，能够更精准地挖掘神经活动与外在行为、认知状态之间的关联。其中，血流动力学响应（HemodynamicResponseFunction,HRF）特性与脑力负荷评估参数是构建高效解码模型的核心基础，明确其内在机制与设计要求，对提升模型性能具有关键意义。

一、近红外脑功能成像中的血流动力学响应机制

（一）血流动力学响应的生理基础

大脑神经活动的能量消耗主要依赖葡萄糖和氧气的持续供应，当神经元处于兴奋状态时，局部脑血流量（CerebralBloodFlow,CBF）、脑血容量（CerebralBloodVolume,CBV）和脑氧代谢率（CerebralMetabolicRateofOxygen,CMRO?）会发生一系列动态变化，这一过程即为血流动力学响应。具体而言，神经元兴奋会触发血管舒张信号，使局部脑血管扩张，CBF显著增加，远超过CMRO?的提升幅度，导致脱氧